从此XML文件中提取数据的最有效方法

时间:2012-06-20 20:07:42

标签: python xml parsing lxml elementtree

XML文件示例

<GateDocument> 
  <GateDocumentFeatures>
    ...
  </GateDocumentFeatures>
  <TextWithNodes>
    <Node id="0"/>
    MESSAGE SET
    <Node id="19"/> 
    <Node id="20"/>
    1. 1/1/09 - sample text 1
    <Node id="212"/>
    sample text 2
    <Node id="223"/>
    sample text 3
    ...
    <Node id="160652"/>
  </TextWithNodes>
  <AnnotationSet></AnnotationSet>
  <AnnotationSet Name="SomeName">
    ...
  </AnnotationSet>
</GateDocument>

刚开始,这是我第一次用Python编写代码并处理XML,如果我错过了非常明显的事情,那就很抱歉!

我的目标是在特定节点ID处提取示例文本。

第一次尝试 - 我使用了minidom,它没有给我正确的方法来处理提取(http://stackoverflow.com/questions/11122736/extracting-text-from-xml-node-with-minidom)由于自闭标签中节点ID的这种奇怪格式。

第二次尝试 - 我在查看lxml时接受了建议,我已成功将文本提取为以下内容:

['\n\t\t','n\t\tMESSAGE SET\n\t\t','\n\t\t','\n\t\t1. 1/1/09 - sample text 1,....,'\n\t']

通过一些清理,我认为我可以使文本正常,但是,我丢失了相关的节点id值。

代码:

from lxml import etree
from StringIO import StringIO
xmlfile = ('C:\...AnnotationsXML.xml')
xmldoc = etree.parse(xmlfile)  
print xmldoc.xpath("//TextWithNodes/text()")

所以我想我的问题是:

  1. 有没有办法在没有\ n \ t \ t的情况下提取上述内容?我读到这是空间格式化(即标签),但我不确定<Node id = 0>去了哪里。
  2. 在提取此文件时,是否有更好或更有效的方法?
  3. 谢谢!

1 个答案:

答案 0 :(得分:7)

In [1]: from lxml import etree

In [2]: tree = etree.parse('awful.xml')

In [3]: data = {int(node.attrib['id']): node.tail.strip()
   ...: for node in tree.xpath('//TextWithNodes/Node') if node.tail.strip()}

In [4]: data
Out[4]: 
{0: 'MESSAGE SET',
 20: '1. 1/1/09 - sample text 1',
 212: 'sample text 2',
 223: 'sample text 3'}

strip用于删除\t\n之类的内容,tail获取标记后的文字。